[論文レビュー] Network Reconstruction and Prediction of Epidemic Outbreaks for NIMFA Processes

Bastian Prasse, Piet Van Mieghem|arXiv (Cornell University)|Nov 16, 2018

Complex Network Analysis Techniques参考文献 21被引用数 7

ひとこと要約

本稿では、限られたウイルス状態観測値から接触ネットワークと拡散パラメータを推定する多項式時間のネットワーク再構築アルゴリズムを提案する。問題をベース・バシス最適化として定式化することで、スパースなネットワークにおいても初期観測値が少数でも、感染拡散ダイナミクスの正確な予測が可能となり、計算時間はネットワークサイズに対して多項式的に増加する。

ABSTRACT

Predicting the viral dynamics of an epidemic process requires the knowledge of the underlying contact network. However, the network is not known for most applications and has to be inferred from observing the viral state evolution instead. We propose a polynomial-time network reconstruction algorithm for the discrete-time NIMFA model based on a basis pursuit formulation. Given only few initial viral state observations, the network reconstruction method allows for an accurate prediction of the further viral state evolution of every node provided that the network is sufficiently sparse.

研究の動機と目的

• 基礎となる接触ネットワークが未知である場合に、感染拡散ダイナミクスを予測する課題に対処すること。
• 限られたウイルス状態観測値からネットワークを再構築し、拡散パラメータ（β_T, δ_T）を推定する実用的な手法を開発すること。
• 初期観測値が少数でも、すべてのノードにおけるウイルス状態の進化を正確に予測できること。
• 多項式時間の複雑性を達成することで、大規模ネットワークにおける計算の現実可能性を保証すること。
• 数値シミュレーションを通じて、スパースネットワークおよび密なネットワークにおける手法の性能を検証すること。

提案手法

• 推定された隣接行列のスパarsityを促進するために、ネットワーク再構築問題をベース・バシス最適化として定式化する。
• 離散時間NIMFAモデルのベクトル化形式を用いる：v[k+1] = (1−δ_T)v[k] + β_T diag(u−v[k])Av[k]、ここでv[k]はウイルス状態ベクトルである。
• スパース最適化技術を用いて、観測されたウイルス状態シーケンスから、隣接行列Aおよび拡散パラメータβ_Tとδ_Tを同時に推定する。
• ℓ₀ノルム最小化問題の凸緩和を用いることで、多項式時間で解けることを保証する。
• 数値的安定性の向上と観測値のノイズ低減のため、トレuncated特異値分解（TSVD）を前処理として用いる。
• 反復的なアルゴリズムを実装し、観測されたダイナミクスに基づいて、ネットワーク構造の推定と拡散パラメータの精緻化を交互に実行する。

実験結果

リサーチクエスチョン

• RQ1 ウイルス状態進化の初期少数の観測値から、基礎となる接触ネットワークと拡散パラメータを正確に再構築できるか？
• RQ2 提案手法は多項式時間の複雑性を達成しており、大規模ネットワークへのスケーラビリティを有しているか？
• RQ3 部分的な観測値しか得られない状況でも、すべてのノードにおけるウイルス状態の進化をどの程度正確に予測できるか？
• RQ4 ネットワークのスパarsityが、再構築および予測の精度に与える影響は何か？
• RQ5 本手法はスパースネットワークおよび密なネットワークの両方を扱えるか？また、ネットワークタイプによる性能の差異は何か？

主な発見

• ネットワーク再構築手法は、100個のランダムに生成されたネットワークにおいて、すべてのn ≥ n_maxに対して予測誤差ε_v[n] ≤ 0.05を達成しており、ウイルス状態予測の95％の正確性を示している。
• スパースネットワークでは、定常状態に達する以前に、感染拡大を正確に予測できることを図8が示している。
• 計算時間はネットワークサイズNに対して多項式的に増加し、Watts-Strogatzネットワークでは約O(N^3.6)、Barabási-AlbertネットワークではO(N^1.7)のスケーリングを示している。
• 本手法は、単一の感染拡大イベントからスパースネットワークを高精度に再構築できるが、密なネットワークの推定には複数の拡大イベントが必要となる。
• ベース・バシス定式化により、特にネットワークがスパースな場合に、観測値が限られても安定的かつ正確な推定が可能である。
• 多項式時間の複雑性のおかげで、従来のSISベースの再構築手法に比べ、計算の現実可能性とスケーラビリティの面で優れている。